超长语音生成：可合成长达 90 分钟的音频

多角色支持：最多可同时处理 4 个不同说话人

自然的对话感：能够保持说话人的一致性和自然的对话节奏

高效处理：采用 7.5Hz 的超低帧率处理，既保持音质又提升效率

大型语言模型 (LLM)：理解文本内容和对话流程

扩散模型：生成高保真度的声学细节

VibeVoice-1.5B：支持 64K 上下文长度，可生成约 90 分钟音频

VibeVoice-7B-Preview：支持 32K 上下文长度，可生成约 45 分钟音频，稳定性更好

VibeVoice-0.5B-Streaming：即将推出的流式版本

播客制作：根据脚本自动生成多主持人对话

有声读物：为小说或非虚构作品创建多角色音频

语言学习：生成自然的多角色对话用于听力练习

内容创作：快速将文本转化为带有多个声音的音频内容

虚拟会议：模拟多参与者讨论

使用英文标点符号 (逗号和句号) 即使在中文文本中也能提高稳定性

7B 模型比 1.5B 更稳定，特别是在处理中文或需要控制情绪时

如果觉得语速太快，可以尝试在文本中增加同角色的对话转折点